Date de la session initiale : 7 avril 2022
Sujets abordés : XGBoost, Hyperparamètres, machine learning
Intervenant : Russ Wolfinger ( @russ_wolfinger ), Chercheur émérite
XGBoost est un (relativement) nouveau protocole d'apprentissage automatique qui commence seulement à être déployé dans l'industrie de l'énergie et de la production en amont. Ce modèle d'ensemble d'arbres de décision prend le monde par tempête (bon, d'accord, c'est peut-être un peu hyperbolique, mais allez !), gagnant Compétitions Kaggle et tout aussi lentement, faisant son chemin dans le pétrole et le gaz. Russ Wolfinger, chercheur émérite SAS, Kaggle Grandmaster et responsable de longue date de la division JMP Life Sciences a créé et affiné un complément XGBoost, dont il fait la démonstration dans la vidéo ci-dessous.
Pourquoi XGBoost et en quoi est-ce différent ? XGBoost déploie un algorithme d'arbre de décision boosté par gradient. Grâce à l'amplification du gradient, on peut utiliser des couches de modèles pour corriger l'erreur commise par le modèle précédent jusqu'à ce qu'il n'y ait plus d'amélioration possible ou qu'un critère d'arrêt tel que les mesures de performance du modèle soit utilisé comme seuil " ( Moyen ). Déployé dans JMP, cela offre à l'utilisateur la possibilité a) d'appliquer jusqu'à trois plis orthogonaux pour la validation du modèle, b) b) le réglage automatique, qui déploie la technologie DOE brevetée par JMP pour parcourir rapidement les hyperparamètres optimaux, et c) le profileur de prédiction de JMP pour observer et interagir avec le modèle pour mieux comprendre comment les facteurs individuels peuvent être modifiés pour optimiser la réponse d'intérêt.
Figure 1. Hyperparamètres de modèle et statistiques d'ajustement évaluant une série de facteurs de localisation, géologiques et d'achèvement sur la production cumulée de 12 mois dans les schistes de Barnett, Texas, États-Unis.
Figure 2. Profileur prédit par rapport au réel et prédiction d'un modèle XGBoost évaluant une série de facteurs de localisation, géologiques et d'achèvement sur la production cumulée de 12 mois dans les schistes de Barnett, Texas, États-Unis.
@russ_wolfinger créé un JMP Pro Ajouter à qui fonctionnera avec JMP Pro 15 et versions ultérieures.Il fournit une interface pointer-cliquer à la célèbre bibliothèque open source XGBoost pour la modélisation prédictive avec des arbres à gradient extrême.Si vous essayez et que vous avez des questions, Russ répond à vos questions dans son article Add-In.
Encore un excellent blog, @Peter_Polito ! Cela fait vraiment tourner les têtes en amont et sur la base des commentaires reçus pendant le webinaire, beaucoup d'autres voudront apprendre.
